By GPT-3.5:
作为测试行业，要向 AI 方面靠拢，可以考虑以下几个方面：

1. 学习和理解 AI 技术：了解不同类型的 AI 技术，如机器学习、深度学习、自然语言处理等，并学习相关的概念、算法和工具。可以通过在线课程、教育平台、书籍等多种资源进行学习。

2. 探索自动化测试：AI 技术在自动化测试领域有广泛应用。了解和掌握各种 AI 驱动的自动化测试工具和框架，如基于机器学习的测试优先级排序、异常检测、数据生成等。

3. 数据驱动的测试方法：AI 需要大量的高质量数据来训练和验证模型。在测试过程中，可以关注和收集与应用程序或系统相关的数据，以进行 AI 分析、模型训练和预测。

4. 探索 AI 在测试中的应用：了解 AI 在测试领域的应用场景，如自动化测试脚本生成、缺陷预测和检测、智能测试执行和报告分析等。尝试使用 AI 技术来提升测试效率和准确性。

5. 跟踪 AI 测试工具和平台的发展：关注市场上的 AI 测试工具和平台，了解最新的技术趋势和解决方案。根据实际需求选择适合自己业务场景的工具和平台。

6. 寻求专业支持和培训：可以参加相关的 AI 测试培训课程、研讨会和行业会议，与领域专家和从业者交流经验、分享最佳实践，获取专业的支持和指导。

7. 持续学习和自我提升：AI 技术在快速发展，要保持对新技术和工具的敏感性。保持学习态度，不断更新知识，积极跟进行业动态，关注前沿技术和应用。

以上是一些建议，希望能够对你在测试行业向 AI 方面靠拢有所帮助。AI 技术在测试领域有广阔的应用前景，通过学习和掌握相关知识和技能，可以为测试工作带来更高效、准确的解决方案。

AI 写用例 ，AI 点点点

1. 数据采集和处理：在测试过程中，需要大量的测试数据来验证系统的性能。AI 可以用于自动化数据的收集和处理，提高测试效率和准确性。

2. 自动化测试工具：AI 技术可以应用于测试工具的开发，通过学习和分析测试数据，自动识别和生成测试用例，提高测试的自动化水平。

3. 智能测试分析：AI 可以应用于测试结果的分析，通过学习和模式识别，识别和挖掘测试结果中的潜在问题或异常，提高测试结果的可靠性和有效性。

4. 智能测试策略与规划：AI 可以帮助测试团队制定更加智能化的测试策略和规划，通过学习和分析测试历史数据和项目特征，提供更准确的测试覆盖率评估和风险分析，以指导测试策略的制定和测试资源的分配。

5. 自动化测试执行和缺陷管理：AI 可以应用于测试执行过程的自动化，通过学习和分析测试执行结果，自动识别和管理缺陷，提高测试执行效率和缺陷管理的准确性。

6. 智能测试报告和反馈：AI 可以应用于测试报告和反馈的生成和分析，通过学习和模式识别，自动生成测试报告，并提供测试结果的可视化分析，以便测试团队和项目管理者更好地理解和决策。

先测 AI，从各种算法的 Benchmark 入手测指标，再到 AI 业务测试，然后学 AI，用 AI 来测试。

现在用的最多就是 AI 解决工作中的问题，比如环境问题解决、内容答疑、报告编写

首先我们可以认清自己的水平，大多数测试同学因为工作和精力关系，很难短时间内积累 AI 需要的数学理论和实践经验，所以我先排除掉测试手撸 AI 的无效建议。从更实际的角度出发是：

1. 可有快速了解一些算法包，现在的算法包封装得很完善（所以出现调包侠、调参侠的叫法），如果实际工作有需要的场景其实在编码上可以很快引入简单 AI 来提高效率（至于有什么应用场景，我一时想不到，因为我也没引入什么）。
2. 多了解 AI 的概念和思维，虽然不一定能用上 AI 技术，但是有了理论基础就不容易被忽悠，当有人说 xxx 可以用 AI 解决，可以很快识别结论真伪。
3. 与其焦虑 AI，不如多花点时间打牢质量保障基础，质量保障领域这么多事情可以做，这个世界上多一个人会 AI 不多，少一个人会 AI 也不少，为了跟时髦去卷自己毫无优势的领域，不一定真的有用。

可以点击链接尝试体验一下我们 AI+test 的功能测试工具，OCR 视觉录制用例、图片断言、滑块验证码等功能
https://testerhome.com/users/third_app_login/dragontesting

为什么认为 AI 发展越来越好？
我的理解 AI 越来越数据驱动 + 资源驱动 + 大佬驱动了。哪一样不是头部才能玩的？
我说的大佬一般都是北美那边的 TOP 博士，现在土博好不好使都难说了。
对普通的你我来说，能有啥区别呢。

相关从业者，我自己都最近没啥任务，也越来越看不到未来发展的趋势了。